face_recognition是一個(gè)強(qiáng)大、簡(jiǎn)單、易上手的人臉識(shí)別開源項(xiàng)目，并且配備了完整的開發(fā)文檔和應(yīng)用案例，特別是兼容樹莓派系統(tǒng)。 face_recognition一經(jīng)開源發(fā)布就得到的廣泛的熱捧，使用簡(jiǎn)單，功能強(qiáng)大成為其非常顯著的標(biāo)簽。face_recognition對(duì)于公司或者是一些工程實(shí)踐性的應(yīng)用場(chǎng)景來(lái)說(shuō)是非常好用好上手的利器，不需要你有太多的理論基礎(chǔ)就可以比較輕松地去完成一個(gè)識(shí)別項(xiàng)目，所以今天我們專門來(lái)講解一下。

首先，face_recognition項(xiàng)目開源地址在這里：

https://github.com/ageitgey/face_recognition

網(wǎng)上有比較完整的API說(shuō)明以及實(shí)例應(yīng)用，我這里就不多去說(shuō)明了。首先，使用face_recognition需要安裝，可以通過(guò) pip 完成。如果安裝遇到報(bào)錯(cuò)可參考：

https://yishuihancheng.blog.csdn.net/article/details/102679177

安裝完成后就可以使用了，在編碼前可以通過(guò)簡(jiǎn)單的測(cè)試來(lái)檢驗(yàn)是否安裝成功，如下所示：

成功安裝后，就可以進(jìn)入使用了。

1、定位圖像中的人臉

def demoFunc(): ''' 在一張包含人臉的圖片中圈出來(lái)人臉 ''' image = face_recognition.load_image_file("test.jpg") face_locations = face_recognition.face_locations(image) for one in face_locations: y0, x1, y1, x0=one cv2.rectangle(image, pt1=(x0, y0), pt2=(x1, y1), color=(0, 0, 255), thickness=3) cv2.imshow('aaa', image) if cv2.waitKey(0) & 0xFF == ord('q'): cv2.destroyAllWindows()

從網(wǎng)上隨便找了一張圖片，如下所示：

定位結(jié)果如下所示：

感覺(jué)還是很強(qiáng)大的，當(dāng)然了，在我實(shí)踐的過(guò)程中也發(fā)現(xiàn)了部分圖像識(shí)別檢測(cè)人臉失敗的問(wèn)題，這個(gè)畢竟不是一個(gè)百分之百的問(wèn)題，face_recognition更像是一個(gè)基礎(chǔ)框架，幫助我們更加高效地去構(gòu)建自己的人臉識(shí)別的相關(guān)應(yīng)用。

2、切割圖像中的每個(gè)人臉保存本地

def demoFunc(): ''' 圖片中人臉截圖保存 ''' img = cv2.imread("test.jpg") image = face_recognition.load_image_file("test.jpg") face_locations = face_recognition.face_locations(image) #(top, right, bottom, left) for i in range(len(face_locations)): y0, x1, y1, x0 = face_locations[i] cropped = img.crop((x0,y0,x1,y1)) # (left, upper, right, lower) 左上角 右下角 cropped.save(str(i)+"_.jpg") cropped.show()

使用的原始圖像同上，結(jié)果如下所示：

五張人臉都檢測(cè)成功，并且保存成功，這里主要是要注意一些face_locations這個(gè)函數(shù)的返回結(jié)果，返回的子列表中每個(gè)子列表包含4個(gè)元素，分別是單張人臉圖像的左上頂點(diǎn)和右下頂點(diǎn)坐標(biāo)，主要需要注意的是這四個(gè)參數(shù)的順序，我給出來(lái)的結(jié)果中(x0,y0)表示左上頂點(diǎn)的坐標(biāo)，(x1,y1)表示右下頂點(diǎn)的坐標(biāo)。

3、將圖像中的每個(gè)人臉編碼成一個(gè)128維的向量

def demoFunc(): ''' 將圖片中的每張人臉編碼成一個(gè)128維長(zhǎng)度的向量 ''' image = face_recognition.load_image_file("cl.jpg") face_locations = face_recognition.face_locations(image) #(top, right, bottom, left) face_encodings = face_recognition.face_encodings(image, face_locations) #將單個(gè)人臉數(shù)據(jù)轉(zhuǎn)化為一個(gè)128維的向量 for one in face_encodings: print('one: ',one)

進(jìn)行到這里就不得不去講一下face_recognition的一些應(yīng)用原理，下面是我的一些總結(jié)，如有不當(dāng)歡迎指教。

face_recognition模塊人臉識(shí)別應(yīng)用實(shí)現(xiàn)的原理：

(１) 給定想要識(shí)別的人臉的圖片并對(duì)其進(jìn)行編碼（每個(gè)人只需要一張），并將這些不同的人臉編碼構(gòu)建成一個(gè)列表。編碼其實(shí)就是將人臉圖片映射成一個(gè)１２８維的特征向量。

(２) 計(jì)算圖像向量之間的相似度根據(jù)閾值或者是容錯(cuò)度來(lái)決定是否是同一個(gè)人

(３) 輸出識(shí)別結(jié)果標(biāo)簽。

毫不夸張地說(shuō)，face_recognition整個(gè)的核心就在于這一塊的向量化處理中，輸入的每一張人臉圖像都會(huì)被轉(zhuǎn)化為一個(gè)128維的特征向量進(jìn)行存儲(chǔ)，128維特征向量的生成也是一個(gè)算法在里面的感興趣的話可以去查一下深入了解一下，我這里就不展開了，之后的人臉識(shí)別就轉(zhuǎn)化為了兩個(gè)人臉圖像之間向量相似度的問(wèn)題了。

這里使用一張成龍大哥的圖像來(lái)進(jìn)行測(cè)試，原始圖像如下所示：

向量化結(jié)果如下：

如果自己想要構(gòu)建自己的個(gè)性化應(yīng)用的話一般會(huì)選擇在這里進(jìn)行改造，首先就是需要保存這里的特征向量。

4、輸入兩張人臉圖像，判斷是否是同一個(gè)人

def demoFunc(one_pic='c1.jpg',two_pic='c2.jpg'): ''' 給定兩張圖片，判斷是否是同一個(gè)人 ''' chenglong = face_recognition.load_image_file(one_pic) unknown_image = face_recognition.load_image_file(two_pic) biden_encoding = face_recognition.face_encodings(chenglong)[0] unknown_encoding = face_recognition.face_encodings(unknown_image)[0] results = face_recognition.compare_faces([biden_encoding], unknown_encoding) print('results: ',results) return results[0]

這里其實(shí)跟上面第三部分的有點(diǎn)相似，這部分是建立在第三部分基礎(chǔ)上的只不過(guò)是自帶了compare_faces這個(gè)相似度計(jì)算接口，這里其實(shí)可以自己去實(shí)現(xiàn)替換的。

同樣，使用了兩張成龍大哥的圖像來(lái)進(jìn)行測(cè)試，原始圖像如下所示：

測(cè)試結(jié)果如下：

5、臉部關(guān)鍵點(diǎn)識(shí)別和標(biāo)注

def demoFunc(pic_path='cl.jpg'): ''' 臉部關(guān)鍵點(diǎn)識(shí)別、標(biāo)注 ''' image = face_recognition.load_image_file(pic_path) face_landmarks_list = face_recognition.face_landmarks(image) print("I found {} face(s) in this photograph.".format(len(face_landmarks_list))) pil_image = Image.fromarray(image) d = ImageDraw.Draw(pil_image) for face_landmarks in face_landmarks_list: for facial_feature in face_landmarks.keys(): print("The {} in this face has the following points: {}".format(facial_feature, face_landmarks[facial_feature])) for facial_feature in face_landmarks.keys(): d.line(face_landmarks[facial_feature], width=5) pil_image.show()

臉部的關(guān)鍵點(diǎn)包括：鼻子、嘴巴、眼睛、眉毛等，這里還是用的上面成龍大哥的圖片，下面的結(jié)果輸出：

6、化妝

這部分是建立在第五部分基礎(chǔ)上的，得到的面部的特征以后就可以進(jìn)行自動(dòng)化妝了，下面是具體的實(shí)現(xiàn)：

def demoFunc(pic_path="haiwang.jpg"): ''' 化妝 ''' image = face_recognition.load_image_file(pic_path) face_landmarks_list = face_recognition.face_landmarks(image) pil_image = Image.fromarray(image) for face_landmarks in face_landmarks_list: demo = ImageDraw.Draw(pil_image, 'RGBA') demo.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128)) demo.polygon(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 128)) demo.line(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 150), width=2) demo.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=2) demo.polygon(face_landmarks['top_lip'], fill=(150, 0, 0, 128)) demo.polygon(face_landmarks['bottom_lip'], fill=(150, 0, 0, 128)) demo.line(face_landmarks['top_lip'], fill=(150, 0, 0, 64), width=2) demo.line(face_landmarks['bottom_lip'], fill=(150, 0, 0, 64), width=2) demo.polygon(face_landmarks['left_eye'], fill=(255, 255, 255, 30)) demo.polygon(face_landmarks['right_eye'], fill=(255, 255, 255, 30)) demo.line(face_landmarks['left_eye'] + [face_landmarks['left_eye'][0]], fill=(0, 0, 0, 110), width=2) demo.line(face_landmarks['right_eye'] + [face_landmarks['right_eye'][0]], fill=(0, 0, 0, 110), width=2) pil_image.show()

這里使用海王的一張圖片來(lái)進(jìn)行測(cè)試，原始圖像如下所示：

處理后結(jié)果如下：

還可以是這樣的：

7、基于face_recognition構(gòu)建自己的簡(jiǎn)單人臉識(shí)別應(yīng)用

上面介紹了很多face_recognition的應(yīng)用，這里才是最重要的內(nèi)容我覺(jué)得是這樣的，基于已有的功能來(lái)實(shí)現(xiàn)我們自己的個(gè)性化應(yīng)用，我這里只是簡(jiǎn)單的拋磚引玉，給出來(lái)自己的最最簡(jiǎn)單的實(shí)現(xiàn)：

def faceRecognitionDemo(picDir='data/', test_pic='test.png'): ''' 基于 face_recognition 構(gòu)建人臉識(shí)別模塊 ''' pic_list=os.listdir(picDir) for one_pic in pic_list: one_pic_path=picDir+one_pic one_res=demo6(one_pic=one_pic_path,two_pic=test_pic) one_name=one_pic.split('.')[0].strip() if one_res: print('This Person is: ', one_name) break else: print('This Person is not: ', one_name)

data文件夾數(shù)據(jù)截圖如下：

test.png內(nèi)容如下：

結(jié)果輸出如下：

當(dāng)然了，實(shí)時(shí)計(jì)算肯定當(dāng)前的計(jì)算方式不能滿足的，這個(gè)只是一個(gè)最簡(jiǎn)單的應(yīng)用而已，只想在這里拋磚引玉，這里是通過(guò)調(diào)用了face_recognition接口的形式來(lái)完成相似判定的工作的，還有一種非常常見的辦法就是在得到人臉圖像的128維特征向量之后就可以將人臉識(shí)別問(wèn)題轉(zhuǎn)化為基于機(jī)器學(xué)習(xí)模型的一個(gè)簡(jiǎn)單分類問(wèn)題了，比如：SVM、RF、GBDT等都可以非常出色地完成上面的任務(wù)。

好了本文就到這里結(jié)束了，歡迎交流！